Deteksi Dini Penyakit Tanaman Tomat Dengan Membandingkan Metode Yolo V11 Dan Rt-Detr

Teguh Raharjo, . (2024) Deteksi Dini Penyakit Tanaman Tomat Dengan Membandingkan Metode Yolo V11 Dan Rt-Detr. Masters thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (848kB)
	Text BAB I.pdf Restricted to Registered users only Download (227kB)
	Text BAB II.pdf Restricted to Registered users only Download (694kB)
	Text BAB III.pdf Restricted to Registered users only Download (314kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Restricted to Registered users only Download (212kB)
	Text Jurnal.pdf Restricted to Registered users only Download (895kB)

Abstract

Tanaman tomat merupakan salah satu komoditas pertanian penting di Indonesia, namun seringkali mengalami kerugian akibat serangan penyakit. Deteksi dini penyakit pada tanaman tomat sangat penting untuk mencegah penyebaran dan mengurangi dampak negatif pada hasil panen. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dini penyakit pada tanaman tomat dengan membandingkan kinerja dua metode deep learning yaitu YOLOv11 dan RT-DETR. Metode YOLOv11 dan RT-DETR merupakan arsitektur deteksi objek state-of-the- art yang akan dievaluasi untuk mengidentifikasi dan melokalisir penyakit pada daun tomat. Dataset gambar daun tomat yang mengandung berbagai jenis penyakit akan dikumpulkan dan diberi label. Dalam penelitian ini, dataset yang digunakan berjumlah 1000 gambar. Model YOLOv11 dan RT-DETR akan dilatih menggunakan dataset yang telah disiapkan. Kinerja kedua model akan dievaluasi berdasarkan metrik seperti akurasi, presisi, recall, dan confusion matrix. Hasil eksperimen menunjukkan bahwa setelah dilakukan proses training sebanyak 60 epoch, YOLOv11 mencapai akurasi 95,4%, sementara RT-DETR memperoleh akurasi 96,1%. Hasil ini menunjukkan bahwa kedua model memiliki kinerja yang baik dalam mendeteksi penyakit pada tanaman tomat. Namun, RT-DETR menunjukkan kinerja yang sedikit lebih baik dibandingkan YOLOv11 dalam hal akurasi. Penelitian ini memberikan kontribusi dalam pengembangan sistem deteksi dini penyakit pada tanaman tomat yang akurat dan efisien, sehingga membantu petani mengidentifikasi penyakit sejak dini dan mengambil tindakan pengendalian yang tepat waktu.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Deteksi penyakit, tanaman tomat, YOLOv11, RT-DETR, deep learning, deteksi objek.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Yeni Ratnasari
Date Deposited:	08 Jul 2025 08:35
Last Modified:	08 Jul 2025 08:35
URI:	http://repository.unpam.ac.id/id/eprint/16795

Actions (login required)

View Item